面向智能建筑热动力学建模的深度迁移学习
机器学习
2019-11-11 v1 机器学习
系统与控制
系统与控制
摘要
热动力学建模一直是建筑供暖、通风与空调（HVAC）系统中的关键问题，其会显著影响控制与维护策略。由于每栋具体建筑的独特性，传统高度依赖物理知识的热动力学建模方法难以良好泛化。本研究提出一种深度有监督域适应（DSDA）方法，用于建筑室内温度演化与能耗的热动力学建模。基于从某建筑收集的大量数据预训练长短期记忆网络驱动的序列到序列（Sequence to Sequence）框架，随后通过模型微调将其适应到数据量有限的另一栋建筑。我们使用四个公开数据集：SML 与 AHU 用于温度演化，来自两栋不同商业建筑的长期数据集（称为 Building 1 与 Building 2）用于能耗。我们表明深度有监督域适应能有效地将预训练模型从一栋建筑迁移至另一栋建筑，且相比仅用有限数据从头学习具有更优的预测性能。
引用
@article{arxiv.1911.03318,
title = {Deep Transfer Learning for Thermal Dynamics Modeling in Smart Buildings},
author = {Zhanhong Jiang and Young M. Lee},
journal= {arXiv preprint arXiv:1911.03318},
year = {2019}
}
备注
5 pages, 2 figures; Accepted at 2019 IEEE International Conference on Big Data (IEEE BigData 2019)